邮箱地址画像
邮箱画像可用于评估不同行业的客户质量。在金融科技和保险业务中,邮箱信息可用于信用风险管理和精算机器学习模型。
邮箱地址的不同部分反映的信息各不相同。用户名可以体现命名方式、信息透明度、昵称使用情况和随机字符特征。域名,也就是 @ 后面的部分,则能反映服务运行和所有权信息。
用户名画像可以生成用于评分和识别乱码邮箱的特征。常见的特征包括:
- 是否包含名字
- 是否包含姓氏
- 是否包含数字
- 是否仅包含名字
- 与名字的莱文斯坦距离
- 与姓氏的莱文斯坦距离
这些指标有参考价值,但不能简单地归为好或坏。应将它们与其他属性一起用于预测建模。
域名画像通常会检查以下几项:
- DNS 信息(MX 记录、域名)
- 一次性、垃圾或临时邮箱识别
- 邮箱服务商
有些域名规则很直接。如果邮箱地址无法投递,就不要向其发送邮件。检查 MX DNS 记录和 WHOIS 信息。MX 记录类似邮件投递地址,指明邮件应发送到哪里。如果没有 MX 记录,邮件就无法投递。WHOIS 信息可以显示域名是否存在以及归谁所有。如果域名不存在,就不要发送邮件。
接下来,识别一次性邮箱或临时邮箱。用户填写 Guerrilla Mail 这类临时邮箱,通常没有建立长期关系的打算。这类服务在反欺诈中很常见,因为使用方便,用户可以快速创建多个邮箱地址。
然后识别邮箱服务商。免费邮箱和企业托管邮箱服务并不相同。可以对以下服务类型的识别结果进行评分:
- 免费邮箱服务商(Gmail、Hotmail、…)
- 教育机构邮箱
- 企业版 Outlook
- 企业版 G Suite
- 通用网站托管邮箱服务商
- 自建 Outlook
- 其他自建邮件服务器
邮箱背后的服务类型可以反映成本和运营成熟度。免费邮箱没有直接使用成本。企业云服务则需要支付订阅费用。自建 Outlook 服务器需要许可证和 IT 支持。因此,服务商类型可以作为模型中的一项预测特征。
最后,还要考虑全收邮箱地址。有些域名会把所有收到的邮件转到同一个邮箱。如果欺诈者在短时间内重复使用多个域名,这可能是负面信号。如果有人拥有个人域名,但没有运行完整的邮件系统,这也可能是正常情况。
常见问题
如何在欺诈评分中使用用户名和服务商信息?
将用户名结构、服务商类型和域名检查作为辅助特征,不要单独据此认定欺诈。测试每项特征能否在现有设备、支付和账户信息之外提供预测价值,并保留那些能改善后续数据决策的特征。由于不同渠道和客户群体的邮箱使用习惯各异,还应按渠道和客户群体重新检查效果。
基于邮箱的欺诈评分应设在什么阈值?
设定阈值时,应考虑预期欺诈损失,以及审核或拒绝正常客户的成本。使用未参与模型训练的数据比较不同阈值,并检查欺诈识别率和误拒率。邮箱特征的价值取决于产品、欺诈类型和其他风控措施,因此没有适用于所有场景的固定阈值。
免费或一次性邮箱地址是否应触发拒绝?
如果申请的其他信息也显示风险较高,可以将一次性邮箱作为加强验证或收紧交易限额的依据。仅使用免费邮箱服务商作为判断依据,证据较弱,也可能排除正常客户。应及时更新一次性域名名单,并衡量新增检查带来的损失减少是否值得增加操作环节。
如何检查邮箱地址能否收信?
发送邮件前,检查地址格式和域名的 DNS 邮件路由。没有 MX 记录的域名不一定无法收信,因为邮件系统可能会使用域名的地址记录作为备用路由。DNS 检查只能确认路由信息,无法确认某个具体邮箱是否存在,因此应将结果作为数据质量信号,而不是欺诈结论。
如何评估全收邮箱域名?
全收状态的含义不明确,应结合其他证据确定其权重。全收域名可能属于正常的个人域名,但多个可疑申请反复使用相关地址,也可能提供有用信息。应根据已确认的结果测试这项特征,并监测误报,因为全收行为本身无法确认谁在控制邮箱。